CN110059556A - 一种基于深度学习的变电站开关分合状态检测方法 - Google Patents
一种基于深度学习的变电站开关分合状态检测方法 Download PDFInfo
- Publication number
- CN110059556A CN110059556A CN201910195280.9A CN201910195280A CN110059556A CN 110059556 A CN110059556 A CN 110059556A CN 201910195280 A CN201910195280 A CN 201910195280A CN 110059556 A CN110059556 A CN 110059556A
- Authority
- CN
- China
- Prior art keywords
- network
- transformer substation
- switch division
- training
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的变电站开关分合状态检测方法,包括下列步骤:第一步,构建变电站开关分合标识数据集:选取现场采集的多张开关分合可见光图像作为数据集并进行标注,数据集包含了“分”、“合”两种状态的开关状态;第二步,训练神经网络:选用YOLOv3网络作为基础网络模型,加入多尺度训练以采用多尺度来对不同尺寸的目标进行检测,在YOLOv3网络结构的基础上,去掉最小尺度的网络层,残差块采用ResNet的残差结构,进行两倍的上采样,级联层用于张量的拼接,将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接,扩充张量的维度。
Description
技术领域
本发明属于目标检测领域,尤其涉及一种应用深度学习技术的智能机器人巡检变电站图像中开关分合状态检测方法。
背景技术
近年来,南方电网在电力供应、绿色环保、社会和谐等方面承担着日益重大的社会责任。作为南方电网的重要一环,变电站的健康运作为电网系统安全运行提供了重要保障。
电力系统中,开关分合仪表是一种能够实时指示电力线路运行状态的指示性仪表,其应用非常广泛。正确识别开关分合状态是判断变电站运行状态以及排查电力故障的前提。变电站汉字式开关状态情况简单,仅包含“分”、“合”两种。但由于人工排查需要承担高压风险,通常利用机器人巡检图像并进行一系列的处理工作以进行识别来保障人身安全。在实际场景中,巡检图像易受光照、天气等外界环境的干扰,因此设计一种在不同外界条件下,稳定而准确地检测开关分合状态的自动化算法是一项具有挑战性的工作。
随着深度学习的流行,卷积神经网络(Convolutional Neural Network,CNN)可以取代传统手工设计特征,在提取图像通用性特征上效果显著,能够对图像进行稳定地描述。此外,为实现开关分合状态的实时监测以便及时纠正错误、确保电网安全,要求一种实时的检测算法。因此,本发明应用卷积神经网络进行图像特征提取,提出一种针对变电站开关分合表计的目标检测方法。
发明内容
本发明的目的在于提供一种基于卷积神经网络的变电站开关分合状态检测方法,实现识别准确、高效、实时的开关分合状态检测。为了实现上述目的,本发明采用如下技术方案:
一种基于深度学习的变电站开关分合状态检测方法,包括下列步骤:
第一步,构建变电站开关分合标识数据集:选取现场采集的多张开关分合可见光图像作为数据集并进行标注,数据集包含了“分”、“合”两种状态的开关状态。
第二步,训练神经网络:选用YOLOv3网络作为基础网络模型,加入多尺度训练以采用多尺度来对不同尺寸的目标进行检测,在YOLOv3网络结构的基础上,去掉最小尺度的网络层,残差块采用ResNet的残差结构,进行两倍的上采样,级联层用于张量的拼接,将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接,扩充张量的维度。
本发明利用深度卷积神经网络的算法,设计了一种基于巡检图像的变电站开关分合状态检测方法。该方法针对智能巡检机器人采集的开关分合图像,进行一系列的处理和识别,包括数据集的制作、神经网络的训练和识别模型的测试。该检测方法可以同时实现开关分合表计位置的定位以及其分合状态的判断,智能地保障电力系统的安全运行。
附图说明
图1开关状态检测网络结构图
图2开关“分”状态检测率
图3开关“合”状态检测率
图4严重遮挡情况下的检测结果
具体实施方式
不同于传统的提取图像特征和进行目标配准的变电站开关分合仪表识别算法,本发明采用训练神经网络的方式进行开关分合标识的识别。通过训练基于卷积神经网络的目标检测网络,达到实时识别变电站开关分合的效果。
为使本发明的技术方案更加清楚,下面结合附图对本发明具体实施方式做进一步地描述。
第一步,构建变电站开关分合标识数据集。
本实验选用南方电网变电站2014年度,通过人工巡检或智能巡检机器人实地采集的302张开关分合可见光图像作为数据集进行实验。所有图像尺寸均为1920*1080。在实验中,按照5:1的比例随机划分数据集,获得50张图像作为训练集,252张图像作为测试集。数据集包含了“分”、“合”两种状态的开关状态。在数量较小的训练集上,测试本发明方法在小样本数据集上的效果。
第二步,训练神经网络。
在基于深度学习的目标检测算法中,相较于首先利用候选框来回归位置信息和类别信息的区域卷积神经网络算法,YOLO算法通过将图片划分为网格的方式,直接回归得到目标的位置及类别而无需进行候选框区域提名,因而能够大大节约检测时间。为实现实时检测,本发明选用YOLOv3算法作为基础网络模型。YOLOv3针对小物体的检测,加入了多尺度训练以采用多尺度来对不同尺寸的目标进行检测。
分析实验数据,本实验数据集图像尺寸为1920*1080,开关分合表计尺寸均大于300*300,即目标在整个图像中屏占比较大。因此本发明考虑减少多尺度训练的数量,以便节约训练时间同时在一定程度上解决训练过拟合的问题。本发明在YOLOv3网络结构的基础上,去掉其最小尺度的网络层。剩下两个尺度的默认框尺寸分别为13*13和26*26。对YOLOv3进行改进后,本发明的网络结构如图1所示。其中,卷积结构包括卷积层,批量归一化层和激活函数,共同组成了网络结构的基本组件。残差块的使用借鉴了ResNet的残差结构,使用这种结构可以使得网络更深。本发明中进行两倍的上采样。级联层用于张量的拼接,将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接,扩充张量的维度。
由于本发明所使用的数据尺寸较大,经过多次实验结果,最终决定训练参数调整方案:Batch设置为8,Subdivision设置为2,学习率设置为0.0001,迭代次数设置为10000次。测试检测模型时,测试时将Batch和Subdivision均设置为1,即每次只处理一张图像。整个实验在Darkent的深度学习框架下进行,实验环境为Ubuntu14.04操作系统,利用NVIDIA公司12GB显存的GTX TITAN X GPU进行网络的训练并利用CUDA进行训练的加速。由于网络中仅包含卷积层而没有全连接层,迭代10000次耗时仅需1个小时。
第三步,模型效果测试。
目标检测的技术衡量指标主要是平均精度均值(mAP)和查全率(Recall)。mAP主要反映检测的准确度,查全率主要反映检测是否全面。查全率(Recall)、准确率(Pecision)可以用以下公式表示:
其中,TP表示目标分类正确的数目,FN表示将目标错误分为其他类别的数目,FP表示将非目标物体误判为目标的数目。当算法求得的检测框与目标物体实际位置矩形框交并比大于0.5时,且分类正确时,则认为检测正确。作出准确率-召回率曲线,可表征算法的检测率。曲线下面的面积即为该类别的AP,mAP表示多个类别的平均AP值。mAP值越高表明该目标检测器性能越好。
在步骤二训练得到的神将网络上,针对包含252张图像的测试集进行测试,“分”“合”状态检测率分别如图2、图3所示。“分”状态检测率为0.9665,“合”状态检测率为0.9530,mAP为96%。在12GB 1080Ti GPU上运行算法,处理单张变电站开关图像的时间约为0.04s,可以达到检测的实时性。
该实验结果表明,在仅包含50张训练图像的小样本数据集上训练本发明网络结构,即实现了较好的检测效果,并且训练耗时仅1小时。当实验数据集得到扩充后,可以增加迭代次数,实现更准确的检测。图4展示了在严重遮挡情况下的检测效果,表明了在严重遮挡时,本发明方法依然有较好的定位及分类准确性。
Claims (1)
1.一种基于深度学习的变电站开关分合状态检测方法,包括下列步骤:
第一步,构建变电站开关分合标识数据集:选取现场采集的多张开关分合可见光图像作为数据集并进行标注,数据集包含了“分”、“合”两种状态的开关状态。
第二步,训练神经网络:选用YOLOv3网络作为基础网络模型,加入多尺度训练以采用多尺度来对不同尺寸的目标进行检测,在YOLOv3网络结构的基础上,去掉最小尺度的网络层,残差块采用ResNet的残差结构,进行两倍的上采样,级联层用于张量的拼接,将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接,扩充张量的维度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195280.9A CN110059556A (zh) | 2019-03-14 | 2019-03-14 | 一种基于深度学习的变电站开关分合状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195280.9A CN110059556A (zh) | 2019-03-14 | 2019-03-14 | 一种基于深度学习的变电站开关分合状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059556A true CN110059556A (zh) | 2019-07-26 |
Family
ID=67316958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910195280.9A Pending CN110059556A (zh) | 2019-03-14 | 2019-03-14 | 一种基于深度学习的变电站开关分合状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059556A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046943A (zh) * | 2019-12-09 | 2020-04-21 | 国网智能科技股份有限公司 | 变电站隔离刀闸状态自动识别方法及系统 |
CN111209958A (zh) * | 2020-01-03 | 2020-05-29 | 南方电网科学研究院有限责任公司 | 基于深度学习的变电站设备检测方法及装置 |
CN111404274A (zh) * | 2020-04-29 | 2020-07-10 | 平顶山天安煤业股份有限公司 | 一种输电系统位移在线监控及预警系统 |
CN111814742A (zh) * | 2020-07-29 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 基于深度学习的刀闸状态识别方法 |
CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN112329870A (zh) * | 2020-11-11 | 2021-02-05 | 国网山东省电力公司威海供电公司 | 一种基于yolo3算法的变电站压板状态的识别方法 |
CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
CN112749656A (zh) * | 2021-01-07 | 2021-05-04 | 国网福建省电力有限公司泉州供电公司 | 基于ORB特征匹配与yolo的空气开关状态检测方法及装置 |
CN114511710A (zh) * | 2022-02-10 | 2022-05-17 | 北京工业大学 | 一种基于卷积神经网络的图像目标检测方法 |
CN115497054A (zh) * | 2022-11-17 | 2022-12-20 | 安徽深核信息技术有限公司 | 一种高空作业安全绳挂钩悬挂状态检测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404867A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院自动化研究所 | 一种基于视觉的变电站隔离开关状态识别方法 |
CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
CN108334815A (zh) * | 2018-01-11 | 2018-07-27 | 深圳供电局有限公司 | 电力二次设备的巡检方法、开关状态识别方法及系统 |
CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109190488A (zh) * | 2018-08-03 | 2019-01-11 | 广州大学 | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 |
CN109272060A (zh) * | 2018-09-06 | 2019-01-25 | 湖北工业大学 | 一种基于改进的darknet神经网络进行目标检测的方法和系统 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109344885A (zh) * | 2018-09-14 | 2019-02-15 | 深圳增强现实技术有限公司 | 深度学习识别系统、方法及电子设备 |
-
2019
- 2019-03-14 CN CN201910195280.9A patent/CN110059556A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404867A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院自动化研究所 | 一种基于视觉的变电站隔离开关状态识别方法 |
CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
CN108334815A (zh) * | 2018-01-11 | 2018-07-27 | 深圳供电局有限公司 | 电力二次设备的巡检方法、开关状态识别方法及系统 |
CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109190488A (zh) * | 2018-08-03 | 2019-01-11 | 广州大学 | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109272060A (zh) * | 2018-09-06 | 2019-01-25 | 湖北工业大学 | 一种基于改进的darknet神经网络进行目标检测的方法和系统 |
CN109344885A (zh) * | 2018-09-14 | 2019-02-15 | 深圳增强现实技术有限公司 | 深度学习识别系统、方法及电子设备 |
Non-Patent Citations (10)
Title |
---|
BOGDAN T.NASSU等: ""Image-Based State Recognition for Disconnect Switches in Electric Power Distribution Substations"", 《2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI)》 * |
CHEN-ZHAO FU等: ""Research on a Detection and Recognition Algorithm for High-Voltage Switch Cabinet Based on Deep Learning with an Improved YOLOv2 Network"", 《2018 11TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION (ICICTA)》 * |
DEFENG LI等: ""State Identification of Cabinets Based on Convolution Neural Network"", 《2017 IEEE 23RD INTERNATIONAL CONFERENCE ON PARALLEL AND DISTRIBUTED SYSTEMS (ICPADS)》 * |
JIN WANG: ""Deep learning based state recognition of substation switches"", 《MATERIALS SCIENCE, ENERGY TECHNOLOGY AND POWER ENGINEERING II (MEP2018)》 * |
JOSEPH REDMON等: ""Yolov3: An incremental improvement"", 《HTTPS://ARXIV.ORG/PDF/1804.02767.PDF》 * |
SONG YANAN等: ""Rail Surface Defect Detection Method Based on YOLOv3 Deep Learning Networks"", 《2018 CHINESE AUTOMATION CONGRESS (CAC)》 * |
YINGYI YANG等: ""An Image Recognition Method of Substation Switch State Based on Robot Vision"", 《2018 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY (POWERCON)》 * |
孔媛: ""开关柜状态检测和故障诊断系统研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
达丹汗: ""基于深度学习的电力开关检测与状态识别"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
阚博文等: ""基于深度学习的绝缘开关图像分类"", 《电力信息与通信技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046943A (zh) * | 2019-12-09 | 2020-04-21 | 国网智能科技股份有限公司 | 变电站隔离刀闸状态自动识别方法及系统 |
CN111209958A (zh) * | 2020-01-03 | 2020-05-29 | 南方电网科学研究院有限责任公司 | 基于深度学习的变电站设备检测方法及装置 |
CN111209958B (zh) * | 2020-01-03 | 2023-11-14 | 南方电网科学研究院有限责任公司 | 基于深度学习的变电站设备检测方法及装置 |
CN111404274A (zh) * | 2020-04-29 | 2020-07-10 | 平顶山天安煤业股份有限公司 | 一种输电系统位移在线监控及预警系统 |
CN111814742A (zh) * | 2020-07-29 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 基于深度学习的刀闸状态识别方法 |
CN112200178B (zh) * | 2020-09-01 | 2022-10-11 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN112329870A (zh) * | 2020-11-11 | 2021-02-05 | 国网山东省电力公司威海供电公司 | 一种基于yolo3算法的变电站压板状态的识别方法 |
CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
CN112749656A (zh) * | 2021-01-07 | 2021-05-04 | 国网福建省电力有限公司泉州供电公司 | 基于ORB特征匹配与yolo的空气开关状态检测方法及装置 |
CN112749656B (zh) * | 2021-01-07 | 2023-06-20 | 国网福建省电力有限公司泉州供电公司 | 基于ORB特征匹配与yolo的空气开关状态检测方法及装置 |
CN114511710A (zh) * | 2022-02-10 | 2022-05-17 | 北京工业大学 | 一种基于卷积神经网络的图像目标检测方法 |
CN115497054A (zh) * | 2022-11-17 | 2022-12-20 | 安徽深核信息技术有限公司 | 一种高空作业安全绳挂钩悬挂状态检测方法及装置 |
CN115497054B (zh) * | 2022-11-17 | 2023-02-28 | 安徽深核信息技术有限公司 | 一种高空作业安全绳挂钩悬挂状态检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059556A (zh) | 一种基于深度学习的变电站开关分合状态检测方法 | |
CN106250870B (zh) | 一种联合局部和全局相似性度量学习的行人再识别方法 | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
CN109064462A (zh) | 一种基于深度学习的钢轨表面缺陷检测方法 | |
CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN104913797A (zh) | 指针式仪表的读数识别方法及系统 | |
CN108537222A (zh) | 一种用于电力仪表的图像识别方法及系统 | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN104966300B (zh) | 轴承滚子图像检测系统及方法及图像检测装置 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN109886242A (zh) | 一种行人重识别的方法及系统 | |
CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN105589801A (zh) | 手机集群测试方法和系统 | |
CN108921177A (zh) | 变电站巡检机器人的仪表定位方法 | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
CN104125050B (zh) | 超高频rfid读卡器协议一致性测试方法 | |
CN110321869A (zh) | 基于多尺度融合网络的人员检测和提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |